> For the complete documentation index, see [llms.txt](https://docs.buildings.ability.abb/collection/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.buildings.ability.abb/collection/german/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/machine-learning/machine-learning-fundamentals-for-buildingpro-suites.md). # Grundlagen des maschinellen Lernens für BuildingPro Suites ## Einführung in das maschinelle Lernen Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz, der sich auf Systeme konzentriert, die aus Daten Muster lernen und diese Muster nutzen, um Vorhersagen, Klassifizierungen oder andere nützliche Schlussfolgerungen zu treffen. Anstatt sich nur auf explizit geschriebene Regeln zu stützen, verbessern Modelle des maschinellen Lernens ihre Leistung, indem sie anhand von Beispielen trainiert werden. Im Kontext intelligenter Gebäude ist dies wichtig, weil Gebäude große Mengen an Betriebsdaten aus vielen verschiedenen Systemen erzeugen. ABB Ability™ BuildingPro Suites ist als einheitliche Cloud-Intelligence-Plattform positioniert, die Gebäudeautomation, Heizung, Lüftung und Klimatisierung (HVAC), Energie, Informationstechnologie (IT), Betriebstechnologie (OT) und andere Systeme verbindet, um isolierte Gebäudedaten in verwertbare Erkenntnisse, Dashboards, prädiktive Tools und Intelligenz umzuwandeln. Dadurch entsteht eine starke Grundlage für Anwendungen des maschinellen Lernens. Diese Seite erklärt, was maschinelles Lernen ist, wie es sich von allgemeiner künstlicher Intelligenz unterscheidet, wie es grundsätzlich funktioniert und warum es für BuildingPro Suites relevant ist. ### Was ist maschinelles Lernen? Maschinelles Lernen ist der Bereich der künstlichen Intelligenz, der sich mit Algorithmen befasst, die aus Daten lernen. Ein Modell des maschinellen Lernens wird nicht im Voraus mit jeder einzelnen Entscheidungsregel programmiert. Stattdessen wird es anhand von Beispielen trainiert, sodass es Muster erkennen und auf neue Daten anwenden kann. Die zentrale Idee ist einfach. Wenn ein Modell aus Daten lernt, die für die Aufgabe repräsentativ sind, der es später in der Praxis begegnen wird, kann es aus dieser Erfahrung verallgemeinern und bei der Bereitstellung nützliche Ergebnisse liefern. Diese Ergebnisse können Vorhersagen, Anomaliesignale, Klassifizierungen, Rangfolgen oder Empfehlungen sein. In diesem Sinne geht es beim maschinellen Lernen weniger um feste Anweisungen als vielmehr um erlerntes Verhalten aus Daten. ### Maschinelles Lernen und künstliche Intelligenz Maschinelles Lernen und künstliche Intelligenz sind eng miteinander verwandt, aber sie sind nicht dasselbe. Künstliche Intelligenz ist der weiter gefasste Begriff. Er umfasst jedes System, das Informationen nutzen kann, um Entscheidungen zu treffen oder Handlungen zu unterstützen, ohne dass ständig menschliches Eingreifen erforderlich ist. Einige KI-Systeme sind vollständig regelbasiert. Diese Systeme verhalten sich gemäß expliziter, von Menschen definierter Logik. Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz. Hier wird die Logik nicht vollständig von Hand definiert. Stattdessen lernt das System Muster aus Beispielen. Ein einfaches Beispiel aus dem Gebäudebereich hilft, den Unterschied zu erklären. Ein regelbasiertes System könnte so funktionieren: * Wenn die Raumtemperatur unter einem definierten Schwellenwert liegt, Heizung starten * Wenn die Raumtemperatur über einem definierten Schwellenwert liegt, Kühlung starten Das ist nützlich und oft notwendig. Aber es basiert weiterhin auf festen Regeln. Ein System des maschinellen Lernens funktioniert anders. Anstatt sich nur auf manuell definierte Schwellenwerte zu stützen, kann es aus historischem Verhalten, Anlagenzuständen, Zeitmustern und anderem Kontext lernen, um erwartetes Verhalten zu identifizieren, den Bedarf zu schätzen oder ungewöhnliche Bedingungen zu erkennen. In der Praxis kombinieren intelligente Gebäudelösungen oft beide Ansätze: * Regeln für deterministisches Verhalten * Analysen für Transparenz * Maschinelles Lernen für gelernte Vorhersagen und Mustererkennung ### Wie maschinelles Lernen funktioniert Auf hoher Ebene funktioniert maschinelles Lernen, indem es eine Beziehung zwischen Eingabedaten und einem gewünschten Ergebnis erlernt. Der Prozess beginnt normalerweise mit Daten. Im Gebäudekontext können diese Daten Messwerte, Gerätestatus, Alarme, Ereignisse, Asset-Metadaten, Zeitpläne oder Kontextinformationen wie Zeit und Standort umfassen. Während des Trainings wird das Modell diesen Daten ausgesetzt und passt seine internen Parameter so an, dass seine Ausgaben für die beabsichtigte Aufgabe nützlicher werden. Das Ziel besteht nicht einfach darin, bei den Trainingsdaten gut abzuschneiden. Das eigentliche Ziel ist die Generalisierung. Das bedeutet, dass das Modell auch bei neuen Daten, die es zuvor noch nicht gesehen hat, gut funktionieren sollte. Wenn das Modell später in einer realen Anwendung verwendet wird, wendet es das Gelernte auf eingehende Daten an. Dieser Schritt wird oft als Inferenz bezeichnet. Der praktische Nutzen des maschinellen Lernens hängt daher von drei Dingen ab: * relevante und zuverlässige Daten * ein für das Problem geeignetes Modell * nützliche Generalisierung auf reale Gebäudeszenarien ### Warum maschinelles Lernen in intelligenten Gebäuden nützlich ist Intelligente Gebäude enthalten viele Systeme, viele Assets und viele Datenpunkte. Mit der zunehmenden Zahl vernetzter Geräte und Systeme wird es schwieriger, alle relevanten Interaktionen allein durch manuelle Überprüfung zu verstehen. Maschinelles Lernen ist in diesem Umfeld nützlich, weil es helfen kann, Muster sichtbar zu machen, die sich mit fester Logik nur schwer definieren lassen. Es ist besonders relevant, wenn Nutzer Fragen beantworten müssen wie: * Was wird wahrscheinlich als Nächstes passieren? * Welches Verhalten wirkt ungewöhnlich? * Welches Asset oder Problem sollte zuerst untersucht werden? * Welche Trends sind über ein Portfolio hinweg wichtig? Dies passt gut zur öffentlichen Positionierung von BuildingPro Suites, die prädiktive Tools, intelligentere datenbasierte Entscheidungen, Bedarfsprognosen, Anomalieerkennung und proaktive KI \[1] umfasst. ### Hauptarten des maschinellen Lernens Methoden des maschinellen Lernens werden oft in drei breite Kategorien eingeteilt. #### Überwachtes Lernen Beim überwachten Lernen wird ein Modell anhand von Beispielen trainiert, bei denen das gewünschte Ergebnis bereits bekannt ist. Ziel ist es, eine Zuordnung von Eingabe zu Ausgabe zu erlernen. Dieser Ansatz wird häufig für Aufgaben wie die folgenden verwendet: * Vorhersage zukünftiger Werte * Klassifizierung von Ereignissen oder Zuständen * Bewertungs- oder Rangfolgeprobleme #### Unüberwachtes Lernen Beim unüberwachten Lernen arbeitet das Modell mit unbeschrifteten Daten und versucht, Struktur oder Muster eigenständig zu erkennen. Dies ist nützlich für Aufgaben wie: * Clustering ähnlicher Assets oder Verhaltensweisen * Erkennen von Korrelationen * Erkennen ungewöhnlicher Muster * Reduzierung der Datenkomplexität #### Bestärkendes Lernen Beim bestärkenden Lernen lernt ein System durch Interaktion, Rückmeldung und Belohnung. Anstatt eine einzige richtige Antwort vorherzusagen, lernt es mit der Zeit, welche Aktionen besser sind. Dies ist besonders relevant für sequenzielle Entscheidungsfindung und Optimierungsprobleme und wird in einem separaten Academy-Abschnitt behandelt. ### Deep Learning und modernes maschinelles Lernen In den letzten Jahren hat sich Deep Learning zu einem der wichtigsten Ansätze im maschinellen Lernen entwickelt. Deep Learning verwendet große künstliche neuronale Netze, die komplexe Muster direkt aus Daten lernen können. Dies ist ein Grund dafür, dass moderne KI-Systeme in Bereichen wie Sprache, Bilder, Mustererkennung und generativer KI so schnell vorangeschritten sind. Große Sprachmodelle (LLMs) und andere auf Foundation-Modellen basierende Systeme sind Teil dieser breiteren Entwicklung. Das macht frühere Konzepte des maschinellen Lernens nicht irrelevant. Es bedeutet, dass sich das Feld erweitert hat. Viele moderne KI-Systeme beruhen weiterhin auf derselben Kernidee: Muster aus Daten zu lernen und sie zu nutzen, um auf neue Situationen zu verallgemeinern. Für BuildingPro Suites ist dies eine wichtige Perspektive. Unabhängig davon, ob eine Anwendung traditionelles maschinelles Lernen, Deep Learning oder neuere Modelltypen verwendet, hängt der Wert weiterhin stark von vernetzten, strukturierten und aussagekräftigen Gebäudedaten ab. ### Maschinelles Lernen in BuildingPro Suites BuildingPro Suites bietet mehrere wichtige Grundlagen, die Anwendungen des maschinellen Lernens unterstützen. Es verbindet Daten aus Gebäudeautomation, HVAC, Energie, IT, OT und Systemen von Drittanbietern in einer Plattform \[1]. Außerdem bietet es Struktur durch Tags, benutzerdefinierte Asset-Vorlagen, Asset-Instanzen, verschachtelte Assets, Punkte und Attribute \[2]. Diese Funktionen helfen dabei zu definieren, wofür die Daten stehen und wie sich verschiedene Objekte zueinander verhalten. Das ist wichtig, weil Modelle des maschinellen Lernens nützlicher sind, wenn sie mit Daten arbeiten, die nicht nur verfügbar, sondern auch gut organisiert und aussagekräftig sind. Eine Modellausgabe wird wesentlich handlungsrelevanter, wenn sie mit einem bekannten Asset, einem Gebäudebereich, einer Hierarchie oder einem Workflow verknüpft werden kann. BuildingPro Suites unterstützt außerdem Integrationen, APIs und app-basierte Erweiterungen in einer skalierbaren Architektur \[2]. Das ist wichtig, weil maschinelles Lernen mehr braucht als nur Modelle. Es benötigt auch eine Möglichkeit, auf Daten zuzugreifen, Dienste auszuführen und Ergebnisse in operative Workflows zu überführen. ### Fazit Maschinelles Lernen ist eine Methode zum Aufbau von Systemen, die aus Daten lernen, anstatt sich nur auf feste Anweisungen zu verlassen. Es ist ein zentraler Bestandteil moderner künstlicher Intelligenz und wird häufig zur Unterstützung von Vorhersagen, Anomalieerkennung, Klassifizierung und Priorisierung eingesetzt. In intelligenten Gebäuden ist maschinelles Lernen besonders wertvoll, weil es hilft, große Mengen vernetzter Betriebsdaten in nützlichere Erkenntnisse umzuwandeln. BuildingPro Suites bietet dafür wichtige Grundlagen durch Datenintegration, semantische Struktur, skalierbare Architektur und die Positionierung im Bereich prädiktiver Intelligenz. Aus diesem Grund ist maschinelles Lernen in BuildingPro Suites nicht nur ein technisches Thema. Es ist Teil des übergeordneten Ziels, Gebäudedaten in praktische Intelligenz für Gebäude und Portfolios umzuwandeln. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://docs.buildings.ability.abb/collection/german/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/machine-learning/machine-learning-fundamentals-for-buildingpro-suites.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.